传统表情识别往往是基于单一图像进行特征提取、训练及识别,缺乏在动态时间上的细微表情变化提取。利用时间前后的人脸表情变化信息,提出了一种基于概率协作表示的多视频序列融合表情识别方法。先采用主动外观模型(AAM)定位出人脸表情的68个特征点,利用提出的融合策略将相邻3帧表情图像的AAM特征进行融合,最后利用概率协作表示的分类优势进行识别。实验结果表明,在CK+表情数据库上,所提出的方法能够把握表情的时间变化信息,相比于近几年的表情识别算法,在识别率上取得了较好的效果。

为提高光照变化下目标跟踪算法的精度和鲁棒性, 基于稀疏表示理论, 提出一种光照补偿和多任务稀疏表示联合优化算法。该算法首先根据目标模板与候选目标的平均亮度差异对目标模板光照补偿, 而后利用候选目标构建过完备字典以稀疏表示光照补偿后的目标模板, 并将所得问题转化为一个多任务优化问题, 然后利用所得稀疏编码矩阵快速剔除无关候选目标, 最后基于重构误差对剩余候选目标进行局部结构化评估, 进而实现目标的精确跟踪。实验结果表明, 与现有主流算法相比, 剧烈光照变化情况下, 所提方法可显著改善目标跟踪精度及鲁棒性。

针对长时间目标跟踪检测不准确问题, 提出一种结合运动场景的超像素分割与混合权值的AdaBoost多目标检测(ABSP)算法。首先在动态模型中, 计算AdaBoost算法的混合权值, 检测运动目标, 确定搜索区域, 提高多目标跟踪检测能力; 在训练阶段, 采用SLIC分割与Mean-Shift聚类形成超像素图块, 构建目标外观模型; 在跟踪阶段, 结合超像素特征池生成模板直方图与置信图, 构建观测模型与运动模型, 采用粒子滤波与贝叶斯模型, 计算最大后验估计, 实现遮挡运动目标检测。结果表明: 能够有效处理数目变化多目标检测与遮挡问题, 提高了检测的实时性。

为了解决跟踪漂移问题, 提出了一种利用黑洞原理改进的稀疏外观模型目标跟踪算法,用来提高目标跟踪的鲁棒性。利用黑洞原理从目标模板中搜索聚类中心来降低目标模板数量。通过学习分类器用于构造目标特征; 用黑洞原理获取模板字典表示目标; 采用高斯分布运动模型获取目标样本, 在贝叶斯框架下根据观测模型获取最优目标位置实现跟踪。不同视频序列被用于改进的稀疏外观模型跟踪算法和其他先进目标跟踪算法进行仿真实验。实验结果表明, 实现了目标跟踪的目的, 有效地降低了目标局部遮挡问题的影响, 提高了目标跟踪精度。

为了增强目标跟踪算法在被跟踪目标发生运动位移、遮挡、形变、相似物体干扰等情况下的鲁棒性, 提出利用超像素构建目标外观模型, 将外观模型与候选区域进行匹配, 获取候选区域当中目标超像素, 并用Meanshift算法确定目标中心点的跟踪算法。仿真实验选取Benchmark库当中在运动位移、遮挡、形变、相似物体干扰方面具有代表性的视频Girl和FaceOcc1。该算法在视频Girl中的跟踪成功率和跟踪精度为0.601、0.856, 比对比实验的经典算法当中跟踪效果最好的KCF算法的成功率和精度分别高0.059和0.084; 在视频FaceOcc1中跟踪成功率和精度仅次于KCF。表明该跟踪算法在受到相似物体干扰和目标遮挡时具有良好的鲁棒性。

针对目标跟踪技术中出现的目标遮挡、背景干扰等问题，引入超像素的概念，提出了基于超像素的目标跟踪算法。该方法首先利用像素点的颜色特征及局部熵的纹理特征通过简单线性迭代聚类法 (SLIC)将目标及周围区域分割成超像素。然后由训练的外观模型给每个像素点赋予置信值，建立以超像素为单位的置信图，通过基于超像素分割的外观模型的不断更新使得跟踪过程中能够适应目标和背景的变化。最后根据像素点的置信图找到目标的位置。实验结果表明，基于超像素的目标跟踪算法能够在目标遮挡或背景干扰等情况下有效地找到目标的位置。